論文の概要: Luminance-Aware Statistical Quantization: Unsupervised Hierarchical Learning for Illumination Enhancement

• arxiv url: http://arxiv.org/abs/2511.01510v1
• Date: Mon, 03 Nov 2025 12:24:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.252501
• Title: Luminance-Aware Statistical Quantization: Unsupervised Hierarchical Learning for Illumination Enhancement
• Title（参考訳）: 照度を考慮した統計的量子化:照度向上のための教師なし階層学習
• Authors: Derong Kong, Zhixiong Yang, Shengxi Li, Shuaifeng Zhi, Li Liu, Zhen Liu, Jingyuan Xia,
• Abstract要約: 低照度画像強調法 (LLIE) は, クロスシナリオの一般化と再現率のバランスをとる上で, 永続的な課題に直面している。 本稿では,Luminance-Aware Statistical Quantification (LASQ)について述べる。 LASQは、階層化されたパワー関数によって近似できる強度座標空間における電力-法則分布として、輝度遷移を再概念化する。
• 参考スコア（独自算出の注目度）: 31.996801376824408
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low-light image enhancement (LLIE) faces persistent challenges in balancing reconstruction fidelity with cross-scenario generalization. While existing methods predominantly focus on deterministic pixel-level mappings between paired low/normal-light images, they often neglect the continuous physical process of luminance transitions in real-world environments, leading to performance drop when normal-light references are unavailable. Inspired by empirical analysis of natural luminance dynamics revealing power-law distributed intensity transitions, this paper introduces Luminance-Aware Statistical Quantification (LASQ), a novel framework that reformulates LLIE as a statistical sampling process over hierarchical luminance distributions. Our LASQ re-conceptualizes luminance transition as a power-law distribution in intensity coordinate space that can be approximated by stratified power functions, therefore, replacing deterministic mappings with probabilistic sampling over continuous luminance layers. A diffusion forward process is designed to autonomously discover optimal transition paths between luminance layers, achieving unsupervised distribution emulation without normal-light references. In this way, it considerably improves the performance in practical situations, enabling more adaptable and versatile light restoration. This framework is also readily applicable to cases with normal-light references, where it achieves superior performance on domain-specific datasets alongside better generalization-ability across non-reference datasets.
• Abstract（参考訳）: 低照度画像強調法 (LLIE) は, クロスシナリオの一般化と再現率のバランスをとる上で, 永続的な課題に直面している。 既存の手法は、ペアの低照度画像と通常照度画像の間の決定論的ピクセルレベルのマッピングに主に焦点を合わせているが、実環境における輝度遷移の連続的な物理過程を無視することが多く、通常の照度参照が利用できない場合には性能低下につながる。 そこで本研究では,Luminance-Aware Statistical Quantification (LASQ)を導入し,Luminance-Aware Statistical Quantification (LASQ)を提案する。 我々のLASQは、階層化されたパワー関数によって近似できる強度座標空間における輝度遷移をパワー-ロバスト分布として再概念化し、決定論的写像を連続的な輝度層上の確率的サンプリングに置き換える。 拡散フォワードプロセスは、発光層間の最適な遷移経路を自律的に発見し、通常の光を参照せずに教師なし分布エミュレーションを実現するように設計されている。 このようにして、実用的な状況において性能を大幅に改善し、より適応性が高く、汎用的な光回復を可能にする。 このフレームワークは、非参照データセット間の一般化性の向上とともに、ドメイン固有のデータセット上での優れたパフォーマンスを実現する通常の参照を持つケースにも容易に適用できる。

関連論文リスト

• LightQANet: Quantized and Adaptive Feature Learning for Low-Light Image Enhancement [65.06462316546806]
  低照度画像強調は、高品質な色とテクスチャを維持しながら照明を改善することを目的としている。 既存の手法では、低照度条件下での画素レベルの情報劣化により、信頼性の高い特徴表現の抽出に失敗することが多い。 低照度向上のための量子化・適応型特徴学習を実現する新しいフレームワークLightQANetを提案する。
  論文  参考訳（メタデータ） (2025-10-16T14:54:42Z)
• Differentiable Light Transport with Gaussian Surfels via Adapted Radiosity for Efficient Relighting and Geometry Reconstruction [32.713220877091565]
  放射場は、新しいビュー合成から幾何学的再構成まで幅広い応用で大きな成功を収めている。 これらの制限に対処する方法の1つは、物理ベースのレンダリングを組み込むことである。 最適化の内ループに完全なグローバル照明を組み込むことは、違法に高価である。
  論文  参考訳（メタデータ） (2025-09-23T01:02:31Z)
• SAIGFormer: A Spatially-Adaptive Illumination-Guided Network for Low-Light Image Enhancement [58.79901582809091]
  近年, トランスフォーマーを用いた低照度化手法は, 世界照明の回復に有望な進展をもたらした。 近年, トランスフォーマーを用いた低照度化手法は, 世界照明の回復に有望な進展をもたらした。 正確な照明復元を可能にする空間適応照明誘導変圧器フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-21T11:38:56Z)
• From Enhancement to Understanding: Build a Generalized Bridge for Low-light Vision via Semantically Consistent Unsupervised Fine-tuning [65.94580484237737]
  低照度向上は下流タスクの画質を向上させるが、既存の手法は物理的または幾何学的先行に頼っている。 我々は、低照度強化と低照度理解の間に一般化された橋を架け、この橋をGEFU(Generalized Enhancement For Understanding)と呼ぶ。 低照度劣化の多様な原因を解決するために,事前学習した生成拡散モデルを用いて画像の最適化を行い,ゼロショット一般化性能を実現する。
  論文  参考訳（メタデータ） (2025-07-11T07:51:26Z)
• ALEN: A Dual-Approach for Uniform and Non-Uniform Low-Light Image Enhancement [10.957431540794836]
  不適切な照明は、情報損失や画質の低下を招き、監視などの様々な応用に影響を及ぼす可能性がある。 現在のエンハンスメント技術は、しばしば特定のデータセットを使用して低照度画像を強化するが、様々な現実世界の条件に適応する際の課題は残る。 アダプティブ・ライト・エンハンスメント・ネットワーク (ALEN) を導入し、その主なアプローチは、ローカル照明とグローバル照明の強化が必要であるかどうかを決定するための分類機構を使用することである。
  論文  参考訳（メタデータ） (2024-07-29T05:19:23Z)
• Low-Light Image Enhancement with Illumination-Aware Gamma Correction and Complete Image Modelling Network [69.96295927854042]
  低照度環境は通常、情報の少ない大規模な暗黒地帯に繋がる。 本稿では,ガンマ補正の有効性を深層ネットワークのモデリング能力と統合することを提案する。 指数関数演算は高い計算複雑性をもたらすので、Taylor Series を用いてガンマ補正を近似することを提案する。
  論文  参考訳（メタデータ） (2023-08-16T08:46:51Z)
• Toward Fast, Flexible, and Robust Low-Light Image Enhancement [87.27326390675155]
  我々は、現実の低照度シナリオにおいて、高速でフレキシブルで頑健な鮮明化のための新しい自己校正イルミネーション(SCI)学習フレームワークを開発した。 カスケードパターンの計算負担を考慮すると、各ステージの結果の収束を実現する自己校正モジュールを構築する。 我々は,SCI固有の特性について,操作不感適応性やモデル非関係の一般性を含む包括的探索を行う。
  論文  参考訳（メタデータ） (2022-04-21T14:40:32Z)
• Sparse Needlets for Lighting Estimation with Spherical Transport Loss [89.52531416604774]
  NeedleLightは、新しい照明推定モデルであり、必要に応じて照明を表現し、周波数領域と空間領域を共同で照明推定することができる。 大規模な実験により、NeedleLightは、最先端の手法と比較して、複数の評価指標で常に優れた照明推定を実現していることがわかった。
  論文  参考訳（メタデータ） (2021-06-24T15:19:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。